相关实验视频
Updated: Jun 3, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
基于两级转移学习的多源异质信息融合的实时故障诊断方法
Danmin Chen1,2, Zhiqiang Zhang3, Funa Zhou3
1School of Computer and Artificial Intelligence, Henan Finance University, Zhengzhou 450046, China.
Entropy (Basel, Switzerland)
|January 8, 2025
概括
本研究引入了一种新的两级转移学习方法,用于实时设备故障诊断. 它融合了多个来源的数据,避免了复杂的卷积,以实现更快,更准确的诊断.
科学领域:
- 工程 工程师 工程师 工程师
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 卷积神经网络 (CNN) 在特征提取方面表现出色,但具有高的计算成本.
- 设备的高采样频率限制了传统的基于CNN的故障诊断在线应用.
研究的目的:
- 为高频设备开发实时故障诊断方法.
- 解决CNN在时间复杂性和计算负载方面的局限性.
- 为了提高诊断准确性,有效地融合多源异质信息.
主要方法:
- 为多源异质信息融合提出了一种两级转移学习方法.
- 使用屏幕截图构建特征提取网络模型.
- 设计了一个从屏幕截图功能转移到使用一维序列信号的深度学习模型的传输机制,从CNN过渡到深度神经网络 (DNN).
主要成果:
- 开发的故障诊断模型避免了计算密集的卷积操作.
- 实现低时间复杂性,实现实时故障诊断.
- 有效地集成来自一维序列信号和屏幕截图的特征.
- 在变速箱和轴承数据集上证明了有效性.
结论:
- 拟议的两级转移学习方法为实时故障诊断提供了有效的解决方案.
- 成功克服了CNN对高频数据的计算限制.
- 提供了一个强大的方法,用于在设备监控中融合多种数据源.
